ANALISIS KEDINAMIKAN SISTEM PADA MASALAH PENJADWALAN FLOW SHOP MENGGUNAKAN ALJABAR MAX-PLUS

Ukuran: px
Mulai penontonan dengan halaman:

Download "ANALISIS KEDINAMIKAN SISTEM PADA MASALAH PENJADWALAN FLOW SHOP MENGGUNAKAN ALJABAR MAX-PLUS"

Transkripsi

1 Smar Nasoal atmata IV Isttut Tolog Spuluh Nopmbr, Surabaya, 3 Dsmbr 008 ANALISIS KEDINAIKAN SISTE PADA ASALAH PENADWALAN FLOW SHOP ENGGUNAKAN ALABAR AX-PLUS Nur Shofaah, Suboo, urusa atmata FIPA Isttut Tolog Spuluh Nopmbr l. Arf Rahma Ham, Kampus Kputh - Suollo, Surabaya 60 awa Tmur -mal : shofaah@matmata.ts.ac.d, suboo_003@tlomt Abstra. Dalam maalah dbahas aplas Alabar ax-plus pada masalah padwala flow shop, hususya masalah pada alra produs prmutato flow shop dga ob ms dmaa masg-masg ob harus dpross tpat satu al pada tap ms dga uruta ms yag sama. Dga mgguaa Alabar ax-plus aa dostrus modl dam dar alra flow shop yag ada. Dar modl dam dapat dtahu dama sstm da watu prod sstm yag tda la adalah la g dar matrs trass sstm. a vtor g yag brssuaa dga la g dada sbaga watu awal trsdaya rsourcs, maa aa trbtu suatu adwal yag prod dga prod sama dga la g trsbut. Sla tu, adwal yag trbtu uga mrupaa adwal yag stady stat. Slautya dbra suatu cotoh asus flow shop dga ob ms utu lbh mmaham tor pada bahasa. Kata uc: Alabar ax-plus, prmutato flow shop, padwala, stady stat. Pdahulua Alabar ax-plus mrupaa salah satu t aalss pgaa dar sstm vt dsrt yag mmpuya baya aplas pada tor sstm, otrol optmal da Ptr t. Pada maalah, Alabar ax-plus aa daplasa pada masalah padwala produs. Bbrapa plta sblumya mga aplas Alabar ax-plus pada masalah padwala atara la Goto, t al (008) mgguaa ax-plus Lar sbaga motorg da mtod padwala utu sstm IO-FIFO (ultpl Iput ultpl Output Frst I Frst Out). Bouquard t al (006) mgguaa Alabar ax- Plus utu mtua maspa da uruta ob yag optmal pada flow shop. Pada maalah aa dostrus modl dam sstm dar alra produs flow shop dga ob ms. Istlah padwala pada maalah mgacu pada pyusua adwal rgulr dar watu mulaya pmrossa ob. sala pada alra produs flow shop, trdapat ob { } yag aa dadwala pada ms { }, dga da,. asg-masg ob harus dpross tpat satu al pada tap ms dga uruta ms yag sama. Prmutato flow shop mrupaa las husus dar flow shop dmaa stap ob mmpuya uruta pmrossa yag sama pada tap ms. Watu pmrossa (procssg tm) ob pada ms dotasa dga p. Pr-mpto tda dprbolha da pada suatu, watu trttu, stap ms haya dapat mgraa satu opras dar satu ob trttu. Dalam maalah, Alabar ax-plus aa dguaa utu mmodla sstm pada alra produs flow shop dga ob ms. odl trsbut duraa dga mgguaa trmolog Alabar ax-plus. Dar modl dam sstm dapat dtahu watu prod sstm yag tda la adalah la g dar matrs trass sstm. a vtor g yag brssuaa dga la g dada sbaga watu awal trsdaya rsourcs, maa aa trbtu adwal yag prod dga prod sama dga la g. adwal trsbut tda haya prod, ttap uga mrupaa adwal yag stady stat, yatu adwal dmaa watu putar sstm (prod), umlah da uruta ob bsrta ms yag mmprodusya sama utu slus produs slautya. Iformas sagat brgua utu myusu adwal produs yag rgulr.

2 . Alabar ax-plus Alaabar ax-plus brata dga dua opras, masmum (max) da tambah (plus). Opras trsbut mmpuya mrpa dga opras prala basa dua matrs, dmaa pada prala basa dua matrs braa dga opras al da tambah. Pada prala basa dua matrs, gat al dga tambah da tambah dga masmum maa aa dprolh Alabar ax-plus. Pdata sagat ssua bla slag watu brpra lagsug pada masalah formulas modl. Alabar ax-plus dotasa dga R ( Rmax,,,, ), dmaa R, dga df da 0. Pada Alabar ax-plus, masmum dotasa dga da pumlaha dotasa dga. mrupaa lm tral trhadap mrupaa lm tral trhadap sdaga df R max df. Utu stap a, b Rmax brlau a b max( a, b) da a b a + b Trdapat aalog yag las atara Alabar Lr dga Alabar ax Plus d satu ss, uga atara tor sstm da tor vt dsrt d ss la (Bacll t al., 99; Suboo, 000). Btu umum dar suatu prsamaa bda (alabar basa) adalah : x ( + ) Ax(, 0,,,, () dmaa x R, a R. Vtor x myataa adaa dar modl da x( myataa adaa saat -. Sdaga A adalah matrs bruura x. Bla dbra adaa awal x ( 0) x0 maa volus adaa mdatag dar Prsamaa () dapat dttua. a prsamaa vtor pada () dtuls dalam btu prsamaa salar ddapat x ( + ) a x (,,,..., ; 0,,... () x myataa ompo - dar vtor x sdaga a adalah lm dar matrs A. Pada Alabar ax-plus, opras al da umlah pada btu Prsamaa () aa dubah, al mad tambah da umlah mad masmum, maa Prsamaa () mad : df x ( + + ) max( a + x (, a + x (,..., a x ( )) max ( a + x ) a x ( (3) atau dga otas vtor x( + ) A x(, () dmaa x R, a R max max. a Prsamaa (3) mmuh adaa awal x ( 0) x0 maa volus watu dar Prsamaa (3) dapat dttua. Ttuya scara umum, volus watu dar () da (3) brbda. Pada Prsamaa (), argum pada x ( myataa watu - pada adaa x(. Sdaga pada Prsamaa (3), argum bua mrupaa saat watu ttap myataa saat atf yag -. Sbaga cotoh pada arga ra yag trdr dar tt, yag dwal olh stap x da a brata dga gars yag trhubug dar tt tt. Tt dalam arga ra dapat brpra sbaga atvtas trttu. Atvtas-atvtas mmbutuha watu hgga yag dsbut watu atvtas. Dasumsa atvtas pada tt trttu haya dapat dmula a smua atvtas pdahuluya sudah mylsaa atvtasya da mgrma haslya spaag gars yag mghubuga tt trsbut. Dga dma, ( x myataa aga watu awal dmaa tt mad atf pada saat - da adalah umlah dar watu atvtas tt da lamaya watu pralaa dar tt tt. Suatu prluasa dar () dyataa dga a

3 x( + ) A x( B u( y( C x( () dmaa u ( mrupaa put da y ( myataa outputya. Pada arga ra, u( mrupaa suatu vtor yag muua ta sumbr trttu trsda pada watu - sdaga vtor y( mruu pada saat dmaa produ ahr dar arga ra dtawara pada dua luar. Pada Alabar ax-plus, suatu blaga λ R da vtor x R damaa la g da vtor max g yag brssuaa utu suatu matrs buur sagar A bruura x a mmuh A v λ v (6) Nla aratrst λ dapat dtafsra sbaga watu prod dar sstm, yatu stap tt dar arga ra yag ssua mad atf stap λ satua (Suboo, 000). 3. Kostrus odl Stlah mmaham sstm pada alra produs flow shop, aa dostrus suatu modl dar sstm dga mgguaa trmolog Alabar ax-plus. ula-mula aa dgambara graph brarah yag mrprstasa alra flow shop dmaa ods ya mrupaa ombas atara ob dga ms, arc d atara ods ya mrupaa ostra pdahuluya sdaga bobot dar arc mrupaa watu pmrossa yag brssuaa. Graph brarah pada flow shop ob ms sprt dtuua pada Gambar. Gambar. Graph brarah pada flow shop ob ms Sstm vt dsrt dtrmst brhgga dapat dpadag sbaga hmpua brhgga atvtas A (dalam hal atvtas pmrossa ob) da hmpua brhgga rsourcs R. Uruta atvtas dapat ddsrpsa dga graph brarah (A, U). Utu sbarag atvtas a da a, (, ) U myataa bahwa a mrupaa atvtas pdahulu bag a. Artya, dua atvtas tu mgguaa rsourcs brsama, amu tda bsa mgguaaya pada saat yag brsamaa shgga atvtas muggu slsaya atvtas. a a harus sala x myataa watu awal pmrossa dar atvtas a da u myataa watu ta rsourc a r trsda. a (, ) U, maa x x + p dmaa adalah watu pmrossa atvtas muu atvtas a. a mrupaa atvtas prtama utu rsourc r maa x. p r u r sala Γ() mrupaa hmpua atvtas pdahulu dar atvtas a da R() hmpua rsourcs sdma hgga a ( r), maa x ddfsa sbaga a A x maxmax ( x + p ),max ur (7) Γ ( ) r R( )

4 sala y myataa output, yatu watu ta rsourcs dbbasa dar atvtas-atvtas yag brssuaa da Φ () mrupaa hmpua atvtas yag brssuaa dga output -, maa y ddfsa sbaga y x + p ; Φ( ) (8) Pada saat -, Prsamaa (7) da (8) dapat dtulsa mad x( Ax( Bu( (9) y ( Cx( (0) dmaa p (, a pross mmpuya pross pdahulu [ A ], a pross tda mmpuya pross pdahulu, a pross mmpuya put stral [ B], a pross tda mmpuya pross pdahulu p (, a pross mmpuya output stral [ C ], a pross tda mmpuya output stral Dalam hal, p ( mrupaa watu pmrossa atvtas pada saat -. Prsamaa (9) mrupaa prsamaa mplst dalam x. a dlaua substtus scara brulag pada ruas aa prsamaa (9), aa dprolh ( Ax( Bu( ) Bu( ) x( A A x( ABu( Bu( A x( stlah substtus dprolh ( A E) ) Bu( x( A x( ( A A... A E) Bu( () Pada prsamaa (), E myataa matrs dttas, brla pada dagoal da utu yag la. A muua bobot dar ltasa dga paag pada graph. Kara A tda mmpuya ltasa dga paag lbh bsar dar, maa A utu. Olh ara tu, solus dar x mad x( ( A A... A E) Bu( atau dapat dtulsa + x ( A Bu( dga A E A A... A A... () Olh ara pross produs - ( +) lagsug dmula stlah ms mylsaa produs yag - dar barsa ob maa aa dtambaha fdbac arc pada graph brarah sprt yag dtuua pada Gambar. fdbac arc dgambara dga gars putus-putus. Dasumsa bahwa fdbac arc mmpuya duras ol, maa u ( y( ), dmaa u ( adalah cycl put - da y( cycl output -, shgga ddapata y ( Cx( CA Bu( CA By( ) y ( ) (3) dga CA B mrupaa matrs trass dar y ( ) y(. Nla g dar matrs trass mtua watu prod sstm. a vtor g dada sbaga la awal sstm, maa trbtulah adwal yag rgulr.

5 Gambar. Graph brarah dga arc fd bac pada flow shop ob ms. Cotoh Aplas Cotoh : Trdapat dua ob da yag aa dadwala pada dua ms da dga masgmasg watu pmrossaya sbaga brut : Tabl. Watu Pmrossa ob da pada dua ms da Utu mgostrus modl dar alra produs, aa dgambara graph brarah sbagamaa dtuua pada Gambar 3. Nods trsbut mrprstasa ombas ob dga ms. Dga dma trdapat ods dmaa masg-masg od mrprstasa da. Graph brarah trdr dar ods, put da output. ), ),(, ),(, ( ), ( Gambar 3. Graph brarah pada flow shop ob ms Brdasara modl pada prsamaa (9) da (0) dprolh : Bu Ax x Cx y dmaa A ; ; ; B C A A E A

6 maa dprolh y ( y( ) dga myataa matrs trass, yatu CA B 6 6 Dga mgguaa Sclab dprolh λ da vtor g v [ 0 0 ] t λ dar matrs trass mrupaa watu prod sstm. Agar lbh sdrhaa, vtor g trsbut t dapat dtulsa mad v [ 0 0 ]. Dga dma, dprolh bahwa sstm aa brulag stap satua watu. a vtor g dada sbaga la awal yag rgulr dar watu slsaya pmrossa stap satua watu sbaga brut : y (0) y () y() ; ; ; ( y (0)) maa aa trbtu adwal Utu mmprolh adwal dar watu awal mulaya pmrossa ob dar sstm pada alra produs flow shop ob ms trsbut dguaa prsamaa () shgga dar formas yag dprolh mga la g da vtor g dprolh adwal rgular dar watu awal mulaya pmrossa ob sbaga brut x () x () x(3) ; ; ; 6 0 Hasl yag dprolh dapat dcocoa mgguaa Gatt Chart, yatu baga balo yag basa dguaa utu mgtahu complto tm da maspa dalam asus padwala produs, sprt pada Gambar. Gambar. Gatt Chart alra produs flow shop ob ms pada cotoh Cotoh : Trdapat dua ob da yag aa dadwala pada dua ms da dga masgmasg watu pmrossaya sbaga brut :

7 Tabl. Watu Pmrossa ob da pada dua ms da 3 6 Utu mgostrus modl dar alra produs, aa dgambara graph brarah sbagamaa dtuua pada Gambar 3. Nods trsbut mrprstasa ombas ob dga ms. Dga dma trdapat ods dmaa masg-masg od mrprstasa, ),(, ),(, ) ( da (, ). Graph brarah trdr dar ods, put da output. Brdasara modl pada prsamaa (.0) dprolh : x Ax Bu y Cx dmaa 3 6 A B C 3 6 maa dprolh y( y( ) dga myataa matrs trass, yatu 3 CA B Dga mgguaa Sclab dprolh v Agar lbh λ da vtor g [ ] t sdrhaa, vtor g trsbut dapat dtulsa mad v [ 0 8 8] t. λ dar matrs trass mrupaa watu prod sstm. Dga dma, sstm aa brulag stap satua watu. a vtor g dada sbaga la awal ( y (0)) maa aa trbtu adwal yag rgulr dar watu slsaya pmrossa stap satua watu sbaga brut : y (0) y () y() ; ; ; Utu mmprolh adwal dar watu awal mulaya pmrossa ob dar sstm pada alra produs flow shop ob ms trsbut dguaa prsamaa () shgga dar formas yag dprolh mga la g da vtor g dprolh adwal rgular dar watu awal mulaya pmrossa ob sbaga brut x () x () x(3) ; ; ; Hasl yag dprolh dapat dcocoa mgguaa Gatt Chart, yatu baga balo yag basa dguaa utu mgtahu watu slsaya pmrossa ob da maspa dalam asus padwala produs, sprt dtuua pada Gambar.

8 Gambar. Gatt Chart alra produs flow shop ob ms pada cotoh Pada Gambar trlhat bahwa sstm aa brulag stap satua watu. Trlhat pada slus produs yag prtama, stlah mmpross ob, ms dl (pada watu s.d 8) padahal ba ms maupu ms mash mmuga utu mmpross ob. Hal trad agar utu slus slautya sstm dapat brala scara stady stat, yatu alra produs yag mmpuya watu putar sstm (prod), umlah da uruta ob bsrta ms yag mmprodusya sama utu slus slautya.. Ksmpula Alabar ax-plus dapat daplasa pada masalah padwala flow shop, hususya masalah pada alra produs flow shop dga ob ms dmaa masg-masg ob harus dpross tpat satu al pada tap ms dga uruta ms yag sama. Dga mgguaa Alabar ax-plus dapat dostrus modl dam dar alra flow shop yag ada, yatu y ( y( ) Dar modl dam dapat dtahu dama sstm da watu prod sstm yag tda la adalah la g dar matrs trass sstm. a vtor g yag brssuaa dga la g dada sbaga watu awal trsdaya rsourcs, maa aa trbtu suatu adwal yag prod dga prod sama dga la g trsbut. Sla tu, adwal yag trbtu uga mrupaa adwal yag stady stat. Daftar Pustaa Baccll, F., Coh G., Olsdr G.. da Quadrat.P., (99), Sychrozato ad Larty, oh Wly ad Sos, Nw Yor. Bouquard,., -L., Lt, C., da Bllaut,,-C., (006), Applcato of a Optmzato Problm ax- Plus Algbra to Schdulg Problms, Dscrt Appld athmatcs,, hal Goto, H., asuda, S., (008), otorg ad Schdulg thods for IO-FIFO Systms Utlzg ax-plus Lar Rprstato, IES Vol.7, No., pp.3-33, u, 008. Suboo, (000), Oprator lar dalam Alabar ax-plus da trapaya, prosdg Smar Nasoal atmata, urusa atmata ITS, Surabaya.

SISTEM PERSAMAAN LINEAR MIN-PLUS DAN PENERAPANNYA PADA MASALAH LINTASAN TERPENDEK

SISTEM PERSAMAAN LINEAR MIN-PLUS DAN PENERAPANNYA PADA MASALAH LINTASAN TERPENDEK POSIDING ISBN : 98 99 1 9 SISTEM PESAMAAN LINEA MIN-PLUS DAN PENEAPANNYA PADA MASALAH LINTASAN TEPENDEK M. Ady udhto 1 1 Program Stud Pdda Matmata FKIP Uvrstas Saata Dharma Kampus III USD Paga Maguwoharjo

Lebih terperinci

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI PLGIT ERUPK TIDK TIDK TERPUJI TRSFORSI FOURIER DISKRIT D PLIKSIY PD KOPRESI CITR DIGITL Srps Daua utu muh Salah Satu Syarat mprolh Glar Saraa Sas Program Stud atmata Olh: yu Sr Wuladar I: 44 PROGR STUDI

Lebih terperinci

Interpretasi Parameter dalam Model Regresi Logistik untuk Variabel Bebas Dikotomus

Interpretasi Parameter dalam Model Regresi Logistik untuk Variabel Bebas Dikotomus Jural EKSPONENSIAL Volum 3, Nomor, M 22 ISSN 285-7829 Itrprtas Paramtr dalam Modl Rgrs Logst utu Varabl Bbas Dotomus Paramtr Itrprtato Logstc Rgrsso Modls for Dcotomus Idpdt Varabl Darah A. Noh Program

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bbrapa tor yag dprlua utu mduug pmbahasa dataraya adalah rgrs lar brgada, mtod uadrat trcl (MKT), pguja asums aalss rgrs, outlr, rgrs robust, ofs dtrmas, bradow pot. A. Rgrs Lar Brgada

Lebih terperinci

Jurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN

Jurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN Jural EKSPONENSIAL Volum 7, Nomor, Nombr 06 ISSN 085-789 Prbadga Hasl Klasfas Mgguaa Rgrs logst da Aalss Dsrma Kuadrat Pada Kasus Pglasfasa Jurusa D SMA Ngr 8 Samarda Tahu Aara 04/05 Comarso of Classfcato

Lebih terperinci

b. peluang terjadinya peristiwa yang diperhatikan mendekati nol (p 0). c. perkalian n.p =, sehingga p = /n.

b. peluang terjadinya peristiwa yang diperhatikan mendekati nol (p 0). c. perkalian n.p =, sehingga p = /n. 0 DISTRIBUSI POISSO Distribusi Poisso ii diprolh dari distribusi biomial, apabila dalam distribusi biomial brlau syarat-syarat sbagai briut: a. baya pgulaga sprimya sagat bsar ( ). b. pluag trjadiya pristiwa

Lebih terperinci

PEMODELAN REGRESI ZERO INFLATED POISSON (APLIKASI PADA DATA PEKERJA SEKS KOMERSIAL DI KLINIK REPRODUKSI PUTAT JAYA SURABAYA) Abstrak

PEMODELAN REGRESI ZERO INFLATED POISSON (APLIKASI PADA DATA PEKERJA SEKS KOMERSIAL DI KLINIK REPRODUKSI PUTAT JAYA SURABAYA) Abstrak Pmodla Rgrs Zro Ilatd Posso... Ala star PEMODEAN REGRESI ZERO INFAED POISSON APIKASI PADA DAA PEKERJA SEKS KOMERSIA DI KINIK REPRODUKSI PUA JAYA SURABAYA Ala star Purhad Madu Rata Jurusa Spl Uvrstas Ad

Lebih terperinci

Delta-Pi: Jurnal Matematika dan Pendidikan Matematika ISSN X Vol. 2, No. 2, Oktober 2013 ALJABAR LINTASAN LEAVITT SEDERHANA

Delta-Pi: Jurnal Matematika dan Pendidikan Matematika ISSN X Vol. 2, No. 2, Oktober 2013 ALJABAR LINTASAN LEAVITT SEDERHANA Dlta-P: Jural Matmatka da Pddka Matmatka ISSN 89-855X Vol., No., Oktobr 3 ALJABAR LINTASAN LAVITT SDRHANA Ida Kura Walyat Program Stud Pddka Matmatka FKIP Urstas Kharu, Trat mal: adhku@gmal.com ABSTRAK

Lebih terperinci

TEORI ANTRIAN. Elemen Dasar Model Antrian. Distribusi Poisson dan eksponensial. =, t 0, dimana E { t}

TEORI ANTRIAN. Elemen Dasar Model Antrian. Distribusi Poisson dan eksponensial. =, t 0, dimana E { t} Elm Dasar Modl Atria. TEORI ANTRIAN Aktor utama customr da srvr. Elm dasar :. distribusi kdataga customr.. distribusi waktu playaa. 3. disai fasilitas playaa (sri, parall atau jariga). 4. disipli atria

Lebih terperinci

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N TURI Mota Dwya ), N Wahyu Utam, M. Pd. ) Program Stud Pdda Matmata Faultas

Lebih terperinci

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua

Lebih terperinci

ANALISA PROBABILITAS KELUARAN PADA SISTEM GSM DENGAN DAN TANPA FREKUENSI HOPPING RAHMA YENNI L2F

ANALISA PROBABILITAS KELUARAN PADA SISTEM GSM DENGAN DAN TANPA FREKUENSI HOPPING RAHMA YENNI L2F AALISA PROBABILITAS KELUARA PADA SISTEM GSM DEGA DA TAPA FREKUESI HOPPIG RAHMA YEI LF 30055 ABSTRAK Pada saat tututa masyaraat aa mudaha dalam bromuas sma mgat. Salah satu tolog yag dtrapa dalam sstm GSM

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab bers defs-defs da sfat-sfat yag petg yag berhubuga dega modul. Hal-hal tersebut dperlua dalam pembahasa megea modul jetf pada Bab III. 2.1. Modul Mata ulah Aljabar Ler membahas

Lebih terperinci

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1 HIMPUNAN RENTANGAN DAN BEBA LINIER HIMPUNAN RENTANGAN Defs (Kombas Ler) Msala V suatu ruag etor atas feld F. w etor d V, da, 1, juga etoretor d V. Vetor w dataa sebaga ombas ler dar etor-etor, 1, ja w

Lebih terperinci

KAJIAN KONVERGENSI BARISAN RUANG NORM-(n-1) DENGAN n 2

KAJIAN KONVERGENSI BARISAN RUANG NORM-(n-1) DENGAN n 2 Kaa Kovrgs Barsa Ruag Norm-(-) Dga KAJIAN KONVERGENSI BARISAN RUANG NORM-(-) DENGAN Faratul Masruroh Era Aprla Sao 3 Jurusa Matmatka FMIPA Isttut Tkolog Spuluh Nopmbr Surabaa 3 Jl. Arf Rahma Hakm Kampus

Lebih terperinci

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

adalah nilai-nilai yang mungkin diambil oleh parameter jika H Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu

Lebih terperinci

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT Aryato, Kaja Sfat Keompaa pada Ruag Baah KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH Aryato* ABSTRACT The propertes of ompatess Baah spaes ths paper s a geeralzato of a ompat uderstadg the system o the real

Lebih terperinci

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t) BAB II KONSEP DASAR Kosep dasar yag dtuls dalam bab, merupaa beberapa dasar acua yag aa dguaa utu megaalsa model rso las da meetua fugs sebara peluag bertaha dalam model rso las Datara dasar acua tersebut

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (uregstered verso) http://www.smpopdf.com Statst Bss : BAB V. UKURA PEYEBARA DATA.1 Peyebara Uura peyebara data adalah uura statst yag meggambara bagamaa berpecarya data

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Blakang Mnmum spannng tr (MST) mrupakan sbuah prmasalahan dalam suatu graph yang mana banyak aplkasnya bak scara langsung maupun tdak langsung yang tlah dplajar. Salah satu

Lebih terperinci

Transformasi Z Materi :

Transformasi Z Materi : 4 Trasformasi Z Matri : Dfiisi Trasformasi Darah Kovrgsi (Rgio of Covrgc) Diagram Pol Zro Sifat Trasformasi Trasformasi dalam Btu Poliomial Rasioal Fugsi Sistm atau Fugsi Trasfr H() dari Sistm Liir Tida

Lebih terperinci

(1) dengan yi = 0,1. Kata Kunci regresi logistik biner, model logit dan probit, orientasi pasar, usaha kecil menengah, industri produk kulit.

(1) dengan yi = 0,1. Kata Kunci regresi logistik biner, model logit dan probit, orientasi pasar, usaha kecil menengah, industri produk kulit. Prbadga Modl Logt da Probt Utu Mgaalss Fator-Fator yag Mmgaruh Draat Ortas Pasar Usaha Kcl Mgah (Stud Kasus d Stra Idustr Produ Kult d Kabuat Sdoaro Ryo Fbrawa, Luca Ardat da Wbawat Jurusa Statsta, Faultas

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga searag adalah aalss terhadap data megea sebuah araterst atau atrbut (ja data tu ualtatg) da megea sebuah araterst (ja data tu uattatf).

Lebih terperinci

ANALISIS CEPSTRUM SINYAL SUARA

ANALISIS CEPSTRUM SINYAL SUARA MAKALAH ANALII CEPTRUM INYAL UARA Disusu Ol: NENI ARYANI L2F 300 543 JURUAN TEKNIK ELEKTRO FAKULTA TEKNIK UNIVERITA DIPONEGORO E M A R A N G 2 0 0 2 DAFTAR II JUDUL... 1 ABTRAK... 1 1. Pdaulua.... 1 2.

Lebih terperinci

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok) ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga saat adalah aalss terhadap data megea sebuah araterst atau atrbut da megea sebuah varabel dsrt atau otu. Tetap, sebagamaa dsadar, baya

Lebih terperinci

MODIFIKASI METODE NEWTON DENGAN KEKONVERGENAN ORDE TIGA.

MODIFIKASI METODE NEWTON DENGAN KEKONVERGENAN ORDE TIGA. MDIFIKASI METDE NEWTN DENGAN KEKNVERGENAN RDE TIGA Fby Satrya HP ), Agusi ), Musraii ) bysatrya@ymail.om ) Mahasiswa Program Studi S Matmatia ) Dos Matmatia, Jurusa Matmatia Faultas Matmatia da Ilmu Pgtahua

Lebih terperinci

Bab 5: Discrete Fourier Transform dan FFT

Bab 5: Discrete Fourier Transform dan FFT BAB 5 Dicrt Fourir Traform da FFT Bab 5: Dicrt Fourir Traform da FFT Dicrt Fourir Traform DFT. Dfiii Tuua Blaar Prta dapat mdfiiia DFT, da mghitugya. Utu mlaua aalii frui dari iyal watu dirit maa prlu

Lebih terperinci

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL Robah P Rahaat da Tatk Wdhah Juusa Matmatka FMIPA UNDIP Jl. Pof. H. Sodato, S.H, Smaag 575 Abstat. Logt umulatv modl s usd to dsb th latoshp btw a spos vaabl

Lebih terperinci

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini.

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini. BAB II TINJAUAN PUSTAKA Pada bagan n akan dbrkan konsp dasar graf dan blangan kromatk lokas pada suatu graf sbaga landasan tor pada pnltan n 21 Konsp Dasar Graf Bbrapa konsp dasar yang dgunakan dalam pnltan

Lebih terperinci

H dinotasikan dengan B H

H dinotasikan dengan B H Delta-P: Jural Matemata da Pedda Matemata ISSN 089-855X Vol., No., Aprl 03 OPERATOR KOMPAK Mustafa A. H. Ruhama Program Stud Pedda Matemata, Uverstas Kharu ABSTRAK Detahu H da H dua ruag Hlbert, B H )

Lebih terperinci

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat Mater Bahasa Pemrograma Blaga Bulat (Iteger Programmg) Kulah - Pegatar pemrograma blaga bulat Beberapa cotoh model pemrograma blaga bulat Metode pemecaha blaga bulat Metode cuttg-plae Metode brach-ad-boud

Lebih terperinci

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar. ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa

Lebih terperinci

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah 3 III. METODE ENELITIAN 3.1 Watu da Tempat eelta da peracaga tugas ahr dlaua d Laboratorum Terpadu Te Eletro Uverstas Lampug da dusu Margosar, desa esawara Idah abupate esawara pada bula Agustus 1 sampa

Lebih terperinci

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR) ISBN : 978.60.36.00.0 ESIMASI PARAMEER MODEL GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION (GWOLR) Sylf, Vta Ratnasar Mahasswa Jurusan Statstka Insttut knolog Spuluh Nopmbr (IS), Dosn Jurusan Statstka

Lebih terperinci

PROSIDING ISBN :

PROSIDING ISBN : PROSIDING ISBN : 978 979 6353 3 METODE FINALTI UNTUK MENENTUKAN BERAT SAPI OPTIMAL Olh : H. A. Pahusp da Sska Ayua Pogam Stud Matmatka Idust da Statstka Fakultas Sas da Matmatka (FSM) Uvstas Kst Satya

Lebih terperinci

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal Vol 5, No, 9-98, Jauar 9 But Teorema Ssa Cha dega egguaa deal asmal Abstra Sstem perogruea yag dapat dcar peyelesaaya secara teor blaga dasar teryata dapat dbuta melalu teor-teor strutur aljabar hususya

Lebih terperinci

APROKSIMASI PADÉ DAN PENERAPANNYA PADA ANALISIS PERFORMANSI DETEKSI RADAR

APROKSIMASI PADÉ DAN PENERAPANNYA PADA ANALISIS PERFORMANSI DETEKSI RADAR 9 Absta AROKSIASI ADÉ DA EERAAYA ADA AALISIS ERFORASI DETEKSI RADAR D Sapud, Kutoo Ad Sdato DU Solah Tgg Tolog Tlom, Badug Dpatm atmata, Isttut Tolog Badug ds@stttlom.a.d, sdato@ds.math.tb.a.d Aposmas

Lebih terperinci

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM Ed-Math; ol Tah EKITENI BAI ORTHONORMAL PADA RUANG HAIL KALI DALAM Mhammad Kh Abstras at rag etor ag dlegap oleh sat operas ag memeh beberapa asoma tertet damaa Rag Hasl Kal Dalam (RHKD) Pada RHKD deal

Lebih terperinci

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real. BAB 5 BARIAN DAN DERET KOMPLEK ecara eses, pembahasa tetag barsa da deret komlpeks sama dega barsa da deret real. 5. Barsa Barsa merupaka sebuah fugs dega doma berupa hmpua blaga asl N. ebuah barsa kompleks

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK

OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK Jural Ilmah Mrote Vol., No. 4 OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK Joha Vara Alfa ), Rully Soelama ), Chaste Fatchah ) ), ), ) Te Iformata, Faultas

Lebih terperinci

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di: JURNAL GAUSSIAN, Volum, Nomor, ahu 0, Halama 55-64 Ol d: htt://joural-s.ud.ac.d/d.h/gaussa PEMODELAN REGRESI ZERO-INFLAED NEGAIVE BINOMIAL ZINB UNUK DAA RESPON DISKRI DENGAN EXCESS ZEROS Bau Arawa, Suart,

Lebih terperinci

Aplikasi Metode Matrix Cascade Pada Perhitungan Koefisien Pantul Gelombang Suara Bawah Air Untuk Dasar Laut Miring

Aplikasi Metode Matrix Cascade Pada Perhitungan Koefisien Pantul Gelombang Suara Bawah Air Untuk Dasar Laut Miring Apliasi tod atri Cascad Pada Prhituga Kofisi Patul Glombag Suara Bawah Air Utu Dasar aut irig Day Friyadi da Irsa Somatri Brodjogoro Program Studi Ti Klauta, Istitut Tologi Badug (Email : dayf899@gmail.com)

Lebih terperinci

Model Regresi Logistik pada Kelulusan Ujian Sertifikasi Pengadaan Barang dan Jasa Pemerintah

Model Regresi Logistik pada Kelulusan Ujian Sertifikasi Pengadaan Barang dan Jasa Pemerintah JEKT JURNAL EKONOMI 9 [] : 80 KUANTITATIF - 84 TERAPAN Vol. 9 No. FEBRUARI 06 ISSN : 30-8968 Modl Rrs Lost pada Klulusa Uja Srtfas Padaa Bara da Jasa Pmrtah Ru *) ABSTRAK Modl rrs mrupaa alat utu maalss

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

BAB 2 SOLUSI NUMERIK PERSAMAAN

BAB 2 SOLUSI NUMERIK PERSAMAAN BAB SOLUSI NUMERIK PERSAMAAN Dalam sais da rkayasa, kita srigkali harus mcari akar solusi dari prsamaa f 0. Jika f mrupaka fugsi poliomial liar atau kuadratis, solusi ksakya mudah utuk didapatka kara rumusya

Lebih terperinci

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M JP : Volue 4 Noor Ju 0 hal. 4-5 LEA HENSTOCK PADA NTEGRAL uslch Jurusa ateata FPA UNS uslch_us@yahoo.co ABSTRACT. Based o the cshae e partto ad cshae tegral t ca be arraged the e partto ad tegral cocepts.

Lebih terperinci

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data Raguma. Statt meyataa umpula data yag dapat berupa aga yag damaa data uattat maupu o aga yag damaa data ualtat yag duu dalam betu tabel da atau dagram/gra, yag meggambara da mempermudah pemahama aa aga

Lebih terperinci

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

Respon Frekuensi pada FIR Filter. Oleh:Tri Budi Sanrtoso ITS

Respon Frekuensi pada FIR Filter. Oleh:Tri Budi Sanrtoso ITS Rpo Frui pada FIR Filtr Olh:Tri Budi Sartoo Lab Siyal,, EEPIS-ITS ITS 1 Rpo iuoida pada itm FIR Suatu itm FIR diyataa: y[ ] b x[ ] h[ ] x[ ] 0 0 (1 Siyal iput cara umum mrupaa btu ompl dirit x[ ] x[ A

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI Utu mempermudah dalam meyeleaa pembahaa pada bab, maa aa dbera beberapa def da beberapa teor daar yag meduug... Teor Teor Peduug... Rua Gar Def. Rua Gar Ja ada d R atau 3 R, maa ebuah

Lebih terperinci

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion Jural Iformata Mulawarma Vol 4 No. 3 September 009 37 Pemlha Model Regres erba Megguaa Metode Aae s Iformato Crtero da Schwarz Iformato Crtero M. Fathurahma Program Stud Ilmu Komputer, FMIPA Uverstas Mulawarma

Lebih terperinci

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed

Lebih terperinci

Distribusi Poisson Tergeneralisasi Tak Terbatas dan Beberapa Sifat-Sifatnya ( Suatu pengembangan teori statistika matematika)

Distribusi Poisson Tergeneralisasi Tak Terbatas dan Beberapa Sifat-Sifatnya ( Suatu pengembangan teori statistika matematika) Dstrbs osso Trgralsas Ta Trbatas da Bbrapa SfatSfatya Sat pgmbaga tor statsta matmata tjah Solah Tgg Agama Islam Ngr STAIN rworto Jl A Ya No 4A rworto Abstra Dstrbs osso dmbaga mjad Dstrbs osso Trgralsas

Lebih terperinci

ESTIMASI DAN UJI EKSAK KOMPONEN VARIANSI PADA MODEL RANDOM KLASIFIKASI DUA ARAH DENGAN DATA TIDAK SEIMBANG

ESTIMASI DAN UJI EKSAK KOMPONEN VARIANSI PADA MODEL RANDOM KLASIFIKASI DUA ARAH DENGAN DATA TIDAK SEIMBANG J Pla Sa 6 ( Jul 007 Juua Pdda MIPA FKIP Uta Rau IN 4-5595 Abtact ESTIMASI DAN UJI EKSAK KOMPONEN VARIANSI PADA MODEL RANDOM KLASIFIKASI DUA ARAH DENGAN DATA TIDAK SEIMBANG Rutam Efd Pogam Stud Matmata

Lebih terperinci

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat. KALKULUS LANJUT Pertemua ke-4 Rey Ra Marlaa, S.S.,M.Stat. Plot Mater Notas Jumlah & Sgma Itegral Tetu Jumlah Rema Pedahulua Luas Notas Jumlah & Sgma Purcell, et all. (page 226,2003): Sebuah fugs yag daerah

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 5 A II LANDASAN TEORI Pada bab aa dbahas bebeapa teo alaba le yag meduug dalam peuua Teo Peo-Fobeus pada ab III Teo-teo yag aa dbahas beupa subuag vaa, poyeto, des mats, deomposs coe-lpotet, seta om da

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDAAN TEORI Dalam bab aa djelasa teor-teor yag berhubuga dega peelta yag dapat djada sebaga ladasa teor atau teor peduug dalam peelta Ladasa teor aa mempermudah pembahasa hasl peelta pada bab 3 Adapu

Lebih terperinci

BAB I PANDAHULUAN. 1.1 Latar Belakang

BAB I PANDAHULUAN. 1.1 Latar Belakang BB I PNDHULUN Latar Belaag Data merupaa seumlah formas yag dapat membera gambara/eteraga tetag suatu eadaa Iformas yag dperoleh membera eteraga, gambara, atau fata megea suatu persoala dalam betu ategor,

Lebih terperinci

BAB 1 HAMPIRAN TAYLOR DAN ANALISIS GALAT

BAB 1 HAMPIRAN TAYLOR DAN ANALISIS GALAT Catata Kuliah EL Aalisis Numrik BAB HAMPIRAN TAYLOR DAN ANALISIS GALAT. Pgatar Mtod Numrik Ktika kita mylsaika prsamaa-prsamaa matmatika di maa torma-tormaya masih dapat ditrapka, solusi aalitik atau solusi

Lebih terperinci

BAB II LANDASAN TEORI. kesetimbangan, linearisasi, bilangan reproduksi dasar, analisa kestabilan, kriteria

BAB II LANDASAN TEORI. kesetimbangan, linearisasi, bilangan reproduksi dasar, analisa kestabilan, kriteria BAB II LANDASAN EORI Pada bab ii aka dibahas tori tori pdukug yag aka diguaka pada bab slajutya, atara lai modl matmatika, modl pidmik SIR klasik, ilai ig, prsamaaa difrsial, sistm prsamaa difrsial, titik

Lebih terperinci

BAB III TEORI PERRON-FROBENIUS

BAB III TEORI PERRON-FROBENIUS BB III : EORI PERRON-FROBENIUS 34 BB III EORI PERRON-FROBENIUS Pada Bab III aa dbahas megea eor Perro-Frobeus, yatu teor hasl otrbus dar seorag matematawa asal Germa, Osar Perro da Ferdad Georg Frobeus

Lebih terperinci

Penelitian Operasional II Program Bilangan Bulat PROGRAM BILANGAN BULAT (INTEGER PROGRAMMING)

Penelitian Operasional II Program Bilangan Bulat PROGRAM BILANGAN BULAT (INTEGER PROGRAMMING) Peelta Operasoal II Program Blaga Bulat 37 3 PROGRAM BILANGAN BULAT (INTEGER PROGRAMMING) 3 PENDAHULUAN : Formulas Program Blaga Bulat da Aplasya Program Lear (LP) Program Lear basa dormulasa secara matemats

Lebih terperinci

Penerapan Pendekatan Gabungan Grey Relational Analysis (GRA) dan Principal Component Analysis (PCA) Pada Metode Taguchi Multirespon

Penerapan Pendekatan Gabungan Grey Relational Analysis (GRA) dan Principal Component Analysis (PCA) Pada Metode Taguchi Multirespon JURNL SINS DN SENI IS Vol., No., (Spt. ) ISSN: -98X D-4 Prapa Pdkata Gabuga Gry Rlatoal alyss (GR) da Prcpal Compot alyss (PC) Pada Mtod aguch Multrspo Nur prla Rahmada, Soy Suaryo da Muhammad Sahd kbar

Lebih terperinci

Maximum Likelihood Estimation Model Linear dan Log-Linear dalam Regresi Poisson

Maximum Likelihood Estimation Model Linear dan Log-Linear dalam Regresi Poisson Prosdg Sar Nasoal Pla Pdda da Prapa MIPA Faulas MIPA Uvrsas Ngr Yogaara 6 M 9 Mau lhood Esao Modl ar da og-ar dala Rgrs Posso Yul Wbawa Jaa Nugraha Jurusa Sasa FMIPA-UII Kapus Trpadu UII Jl Kalurag KM

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

3.1 Hubungan Dasar Probabilitas Probabilitas adalah harga perbandingan jumlah kejadian (A) yang mungkin dapat

3.1 Hubungan Dasar Probabilitas Probabilitas adalah harga perbandingan jumlah kejadian (A) yang mungkin dapat . Hubuga Dasar rbabltas rbabltas adalah harga prbadga jumlah kjada A yag mugk dapat trjad trhadap jumlah ksluruha kjada yag mugk trjad dalam sbuah prstwa. Cth:. luag utuk mdapatka agka gap dar lmpara sbuah

Lebih terperinci

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N TURI Moita Dwiyai ), Ni Wahyu Utami ) Faultas Kgurua da Ilmu Pdidia Uivrsitas

Lebih terperinci

APLIKASI STATISTIKA DALAM BIDANG KESEHATAN DENGAN REGRESI LOGISTIK ORDINAL

APLIKASI STATISTIKA DALAM BIDANG KESEHATAN DENGAN REGRESI LOGISTIK ORDINAL APIKASI SAISIKA DAAM BIDANG KESEHAAN DENGAN EGESI OGISIK ODINA oha Bdhaa* b_bdhaa@yahoo.co.d SIKES Kota Sabm Abstra Dalam mta varabl-varabl prdtor yag brpgarh trhadap varabl rspo dmaa varabl rspo brsala

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di: ISSN: 339-541 JURNAL GAUSSIAN, Volum 4, Nomor 4, Tahu 015, Halama 97-936 Ol d: http://joural-s1.udp.ac.d/dx.php/gaussa ANALISIS KEPUTUSAN KONSUMEN MEMILIH BAHAN BAKAR MINYAK (BBM MENGGUNAKAN MODEL REGRESI

Lebih terperinci

b) Untuk data berfrekuensi fixi Data (Xi)

b) Untuk data berfrekuensi fixi Data (Xi) B. Meghtug ukura pemusata, ukura letak da ukura peyebara data serta peafsraya A. Ukura Pemusata Data Msalka kumpula data berkut meujukka hasl pegukura tgg bada dar orag sswa. 0 cm 30 cm 5 cm 5 cm 35 cm

Lebih terperinci

ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIAL

ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIAL Jural Matmata Mur da Traa Vol5 No Dsmbr : 4-5 ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIA Ry Aula Hj Noor Fajrah Nur Salam Proram Stud Matmata Faultas MIPA Ulam Bajarbaru Kalsl ABSTRAK Estmas tt dar

Lebih terperinci

Koefisien Korelasi Spearman

Koefisien Korelasi Spearman Koefe Koela Speama La hala dega oefe oela poduct-momet Peao, oela Speama dapat dguaa utu data beala mmal odal utu edua vaabel ag heda dpea oelaa. Lagah petama ag dlaua utu meghtug oefe oela Speama adalah

Lebih terperinci

BAB 2 TEORI DASAR (2-3) (2-4) E = Medan Listrik H = Medan Magnet

BAB 2 TEORI DASAR (2-3) (2-4) E = Medan Listrik H = Medan Magnet BAB TORI DASAR. PRINSIP DASAR GPR Radar mrupaa ala ag dguaa uu md ara aau arah uau bda aomal dga glombag rado baga umbr rada. Salah au pgmbaga apla glombag rado adalah Groud Prag Radar GPR ag dguaa uu

Lebih terperinci

EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV

EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Jurnal Matmatka Vol. 9, No.3, Dsmbr 2006:207-214 EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Supand Jurusan Tknk Informatka Unvrstas AKI Jl. Pmuda 95-97 Smarang h_supand@yahoo.co.uk Abstract.

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB ADASA TEORI. Varabl Varabl adalah arar ag aa d obsrvas dar u amaa. Varabl dalam pla mrupaa suau arbu dar slompo obj ag dl da mml varas aara sau obj dga obj ag la dalam lompo rsbu, msala gg bada da

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

BAB 3 Interpolasi. 1. Beda Hingga

BAB 3 Interpolasi. 1. Beda Hingga BAB Iterpolas. Hgga. Iterpolas Lear da Kuadrat. Iterpolas -Maju da -Mudur Newto 4. Polo Iterpolas Terbag Newto 5. Polo Iterpolas Lagrage . Hgga Msala dbera suatu tabel la-la uers j j dar suatu ugs pada

Lebih terperinci

BAB VIII KRISTAL KRIST SEMIKONDUKT SEMIK

BAB VIII KRISTAL KRIST SEMIKONDUKT SEMIK A VIII KRISAL SEMIKONDUKOR MAERI : 8.1.Kristal smiodutor itrisi. 8.1.1.ti pguura clah rgi. 8.1..massa ftif 8.1.3.lima alasa hol diaggap sbagai partil brmuata positif. 8.1.4.ostrasi ltro 8.1.5.ostrasi hol.

Lebih terperinci

NORM VEKTOR DAN NORM MATRIKS

NORM VEKTOR DAN NORM MATRIKS NORM VEKTOR DN NORM MTRIK umaag Muhtar Gozal UNIVERIT PENDIDIKN INDONEI. Pedahulua Jka kta membcaraka topk ruag vektor maka cotoh sederhaa yag dapat kta ambl adalah ruag Eucld R. D ruag kta medefska pajag

Lebih terperinci

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF KELOMPOK A I GUSTI BAGUS HADI WIDHINUGRAHA (0860500) NI PUTU SINTYA DEWI (0860507) LUH GEDE PUTRI SUARDANI (0860508) I PUTU INDRA MAHENDRA PRIYADI (0860500)

Lebih terperinci

2.2.3 Ukuran Dispersi

2.2.3 Ukuran Dispersi 3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.. Watu da Temat Peelta Peelta srs dlaua d Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas Lamug ada tahu aadem 2009/200. 3.2. Metode Peelta Secara umum, elasaaa

Lebih terperinci

Sudaryatno Sudirham. Permutasi dan Kombinasi

Sudaryatno Sudirham. Permutasi dan Kombinasi Sudaryato Sudrham Permutas da Kombas Permutas Permutas adalah bayakya peelompoka sejumlah tertetu kompoe ya dambl dar sejumlah kompoe ya terseda; dalam setap kelompok uruta kompoe dperhatka Msalka terseda

Lebih terperinci

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data, blaga ataupu

Lebih terperinci

Analisis Pemodelan berdasarkan karakteristik dinamik

Analisis Pemodelan berdasarkan karakteristik dinamik Aalss Pmdla brdasarka karaktrstk damk DISUSUN OLEH: Dr. Yffry Hadk Putra, ST., M.T Karaktrstk damk suatu sstm atau strum myataka prlaku rsps sstm saat tras (utuk put stp) da prlaku sstm jka mdapatka put

Lebih terperinci

METODE PENGUKURAN FERTILITAS

METODE PENGUKURAN FERTILITAS Diisi Pua Aa Kotiu Pua aa iataa otiu jia F P apat ugsi sara ( ( iyataa sagai ( ( F u u R ga : R aala ugsi yag tritgrala. Fugsi isut ugsi pata pluag ari. [Gritt a Stirzar 199] Nilai Harapa Diisi Nilai Harapa

Lebih terperinci

BAB 2 DASAR TEORI. Suatu sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen

BAB 2 DASAR TEORI. Suatu sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen BAB DASA TEOI. Umum,,3,4 Suatu sstem teaga lstr Electrc ower System terdr dar tga ompoe utama, yatu sstem pembagta teaga lstr, sstem trasms teaga lstr, da sstem dstrbus teaga lstr. Kompoe dasar yag membetu

Lebih terperinci

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC JEMTN PD GRF FUZZY INTUITIONISTIC St lfatur Rohmaah, au Surarso, da ambag Irawato 3 Uverstas Islam Darul Ulum Lamoga, a0304@gmalcom Uverstas Dpoegoro Semarag 3 Uverstas Dpoegoro Semarag bstract tutostc

Lebih terperinci

Aksioma ini mendefinisikan jangkauan probabilitas adalah dari 0 sampai 1. Nilai negatif tidak diperbolehkan. '

Aksioma ini mendefinisikan jangkauan probabilitas adalah dari 0 sampai 1. Nilai negatif tidak diperbolehkan. ' DFTR ITILH. rrval : rswa daagya sorag plagga dalam ssm ara.. rrval ra : Nla raa-raa bayaya arrval dalam sau saua wau. 3. Br-da : ggambara suau pross yag ddalamya rdapa prswa lar d dalam ssm ara al brar

Lebih terperinci

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,

Lebih terperinci

BAB III UKURAN PEMUSATAN (RATA-RATA)

BAB III UKURAN PEMUSATAN (RATA-RATA) BAB III UKUAN PEMUSATAN (ATA-ATA Salah sat ra mer yag mejelasa cr-cr data yag petg adalah ra pemsata, yat ra yag meja psat seggs data yag telah drta dar yag terecl sampa yag terbesar ata sebalya Ura pemsata

Lebih terperinci

PELABELAN KONSEKUTIF (CONSECUTIVE LABELING) PADA GRAF STAR S n DAN GRAF DOUBLE STAR S n,n+1 (n Bilangan Asli) SKRIPSI. Oleh: ABDUL MUIS NIM.

PELABELAN KONSEKUTIF (CONSECUTIVE LABELING) PADA GRAF STAR S n DAN GRAF DOUBLE STAR S n,n+1 (n Bilangan Asli) SKRIPSI. Oleh: ABDUL MUIS NIM. PELABELAN KONSEKUTIF CONSECUTIVE LABELING) PADA GRAF STAR S DAN GRAF DOUBLE STAR S,+ Blaga Asl) SKRIPSI Olh: ABDUL MUIS NIM. 0500 JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI

Lebih terperinci

V. PENDEKATAN BAYES PADA MODEL ACAK

V. PENDEKATAN BAYES PADA MODEL ACAK 7 V PEDEKT BYES PD MODEL CK 5 Pdahulua Pada aak kasus, srgkal dapat dprolh foras awal ttag paratr ag aka dduga Saga cotoh adalah pada kasus pdugaa produkttas taaa hortkultura ag tlah dahas pada Ba Pada

Lebih terperinci

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN HUBUNGAN ARKS AB DAN BA ADA SRUKUR ORDAN NLOEN Sodag uraasar aaha (sodag@ub-ut.ac.d) UB-U eda Elva Herawaty FA ateata Uverstas Suatera Utara ABSRAC ths aer, we gve aother roof about the relatosh betwee

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu terjad dega sedrya amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci